1980년 이후 중국 하천 수질 변화: 지속 가능한 개발이 관리에 미치는 영향

npj Clean Water 6권, 기사 번호: 45(2023) 이 기사 인용

측정항목 세부정보

인간 활동과 기후 변화는 중국 강의 수질을 위협합니다. 우리는 1980년 동안 전국 10개 주요 하천 유역의 613개 하위 유역에서 하천 총 질소(TN), 암모니아-질소(NH3-N), 총 인(TP) 및 화학적 산소 요구량(CODMn)의 월간 농도를 시뮬레이션했습니다. –2050년 기간은 스태킹 기계 학습 모델을 사용한 16년(2003~2018) 모니터링 데이터 세트를 기반으로 합니다. 그 결과 TN 농도를 제외하고는 수질이 눈에 띄게 개선된 것으로 나타났는데, 이는 TN 관리 목표 및 평가 시스템이 부족했기 때문인 것으로 추정됩니다. 정량적 분석에 따르면 TN, TP 및 NH3-N 농도에 대한 기후 동인 및 지리적 동인과 비교하여 인위적 요인이 주요 통제 요인인 것으로 나타났습니다. 중국의 수질과 관련된 17가지 지속 가능한 개발 목표(SDGs)를 기반으로 수자원, 수환경, 수생태 및 수자원 안보를 종합적으로 고려하여 중국 하천의 생태적 상태를 개선해야 합니다.

강은 육지와 호수 또는 바다 사이의 물질 이동과 수송을 위한 중요한 통로로서 식수, 관개, 양식, 항해 및 발전을 위한 풍부한 담수 자원을 제공합니다1,2. 그러나 강 생태계는 광범위한 악화를 겪고 있으며 인위적 활동과 기후 변화로 인해 전 세계적으로 위협을 받고 있습니다3,4. 한 글로벌 연구에 따르면 세계 인구(2000년 기준)의 거의 80%(48억)가 인간의 물 안보에 대한 위협 발생률(75% 이상)이 높은 지역에 살고 있는 것으로 나타났습니다5. 더 나쁜 것은 세계 인구의 1/3이 안전한 식수에 대한 접근권이 부족하다는 것입니다6. 현재의 과제에 직면하여, 하천 담수 자원을 보호하기 위해 광범위한 시간 및 공간 규모에 걸쳐 하천 수질에 대한 위협을 진단하고 근본적인 원인을 해결하며 수원으로부터의 위협을 제한하는 것이 시급합니다.

19787년 중국 개혁개방 이후 환경에 대한 경제 발전의 부인할 수 없는 압력으로 인해 중국의 강은 심각한 수질 손상을 겪었습니다. 중국의 수질 오염은 전 세계 400억 입방미터의 물 부족을 초래하는 주요 원인으로 확인되었습니다. 연간 중국8. 인위적 영양분의 유입 증가는 중국 강의 수질 저하의 중요한 원인입니다. 다중 규모 모델의 추정에 따르면, 2012년 중국 강에 유입된 총 용존 질소(TDN)와 총 용존 인(TDP)은 각각 28 Tg와 3 Tg였습니다9. 더욱이 강의 과잉 영양분은 호수와 바다로 운반되어 빈번한 만조와 적조 현상을 초래하여 인간과 수중 건강 및 생태계 서비스를 위험에 빠뜨렸습니다10. 다행스럽게도 2003년부터 2017년까지 중국 전역의 내륙 수질은 눈에 띄게 개선되거나 전국적으로 양호한 수준을 유지했는데, 이는 영양염류 배출 감소에 따른 것입니다11,12. 2022년 중국 전역의 강, 호수, 저수지에 있는 3,641개 샘플링 장소에 대한 전국 조사에 따르면 중국 지표수 환경 품질 표준(GB3838-2002)에 따르면 샘플링 장소의 12.1%가 클래스 III보다 낮은 수질을 가지고 있는 것으로 나타났습니다. %의 현장은 클래스 V13보다 더 심각한 상태를 나타냈습니다. 개혁 개방 이후 지난 40년 동안 경제 발전과 환경 보호의 균형을 이루는 배경에서 중국 하천의 수질 패턴과 기본 메커니즘을 파악하여 하천 수질 보호에 대한 참고 자료와 정보를 제공하는 것이 필수적입니다. 개발도상국7.

중국 강의 수질 패턴과 관련 동인에 대해 여러 연구가 진행되었습니다. 예를 들어 다양한 규모의 다양한 소스에서 중국 강으로의 N 및 P 유입량을 정량화하고, 소스, 변형 및 수질을 포함한 하천 시스템의 영양분 순환을 정량화했습니다. 플럭스14,15, 공간 수질 패턴 및 하천 손상의 중요한 공변량12,16,17,18. 그러나 지난 40년 동안 중국 하천의 시공간적 변화와 수질의 기본 메커니즘을 이해하는 데는 여전히 격차가 있습니다. 첫째, 추적 가능하고 이용 가능한 모니터링 데이터가 2003년부터만 연장되기 때문에 장기 정기적인 전국 모니터링 데이터의 부족은 하천 수질에 대한 영향 연구의 주요 병목 현상입니다12,19. 둘째, 하천 수질 변화의 추진 메커니즘 식별은 요인 모델과 설명 변수(자연 지리적 특성, 사회 경제적 지표, 토지 이용 데이터 및 기상 요인 포함)의 시간적 및 공간적 규모 분해능에 따라 달라집니다 12,17. 마지막으로, 과학적 연구 및 관리 적용에 대한 장벽을 해소하고, 역사적 하천 수질 변화 및 추진 메커니즘에 대한 이해를 미래 수질 관리 및 지속 가능한 개발 목표(SDGs) 달성에 적용하는 것은 어려운 일입니다.

35%) on the two nutrient levels (TP and NH3-N) in the Yellow and Pearl River Basins17, which is different from our study. Anthropogenic N and P inputs had higher contributions to the variability of both nutrients in the Songhua, Haihe, Huaihe, Yangtze, Southwest, and Northwest Inland rivers, where a somewhat higher contribution was registered with the regression coefficient of >1 (Fig. 3e–h). The results suggested that with socio-economic growth, the rivers in western and inland regions of China (except eastern regions) have registered severe water quality impairments, which should be given more attention in the future./p> 0.25; (2) deletion of the prediction variables with collinearity (Spearman correlation analysis, R > 0.8); (3) retainment of the prediction index that has a high correlation with a response index (Spearman correlation analysis, R > 0.4). The general processes inherent in the models are depicted in Fig. 1. We utilized the model stacking method, which provided a composite prediction based on the results of multiple base models (that is, RF, SVM, and KNN)20. The model stacking algorithm uses a two-layered learning framework where the outputs generated by individual base models are input into another model to generate final predictions39,40. The learning process of the stacking model is categorized into three steps: stacking generation, stacking pruning, and stacking integration. The phase of stacking generation mainly refers to the generation of base models, whereas the last two steps optimally combine the base model predictions to form a final set of predictions using a second-level algorithm./p>